Comparisons between multi-component myelin water fraction, T1w/T2w ratio, and diffusion tensor imaging measures in healthy human brain structures
Notice bibliographique
Résumé
Various MRI techniques, including myelin water imaging, T1w/T2w ratio mapping and diffusion-based imaging can be used to characterize tissue microstructure. However, surprisingly few studies have examined the degree to which these MRI measures are related within and between various brain regions. Therefore, whole-brain MRI scans were acquired from 31 neurologically-healthy participants to empirically measure and compare myelin water fraction (MWF), T1w/T2w ratio, fractional anisotropy (FA), axial diffusivity (AD), radial diffusivity (RD) and mean diffusivity (MD) in 25 bilateral (10 grey matter; 15 white matter) regions-of-interest (ROIs). Except for RD vs. T1w/T2w, MD vs. T1w/T2w, moderately significant to highly significant correlations (p < 0.001) were found between each of the other measures across all 25 brain structures [T1w/T2w vs. MWF (Pearson r = 0.33, Spearman ρ = 0.31), FA vs. MWF (r = 0.73, ρ = 0.75), FA vs. T1w/T2w (r = 0.25, ρ = 0.22), MD vs. AD (r = 0.57, ρ = 0.58), MD vs. RD (r = 0.64, ρ = 0.61), AD vs. MWF (r = 0.43, ρ = 0.36), RD vs. MWF (r = -0.49, ρ = -0.62), MD vs. MWF (r = -0.22, ρ = -0.29), RD vs. FA (r = -0.62, ρ = -0.75) and MD vs. FA (r = -0.22, ρ = -0.18)]. However, while all six MRI measures were correlated with each other across all structures, there were large intra-ROI and inter-ROI differences (i.e., with no one measure consistently producing the highest or lowest values). This suggests that each quantitative MRI measure provides unique, and potentially complimentary, information about underlying brain tissues - with each metric offering unique sensitivity/specificity tradeoffs to different microstructural properties (e.g., myelin content, tissue density, etc.).
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».